[发明专利]基于动态群组划分的多目标跟踪方法

说明书

技术领域

本发明涉及计算机视觉领域，尤其涉及智能视频分析领域中的一种多目标的检测与跟踪。

背景技术

随着视觉计算理论等基础科学的发展以及各种应用场合对机器视觉的需求不断增长，计算机视觉得到更广泛的应用。计算机智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。主要是利用计算机视觉技术对视频信号进行处理、分析和理解，并对视频监控系统进行控制，从而使视频监控系统具有像人一样的智能。智能视频监控系统主要目标是减少对人工的依赖，自动完成复杂环境中对人和车辆等感兴趣目标的实时检测以及对其行为的分析和描述。完成这些任务涉及到计算机视觉领域中许多核心技术。其中对视频场景中多个感兴趣目标的持续跟踪是其中的核心技术之一，是视频场景分析、目标行为理解等诸多高层分析任务的基础。

现有的多目标跟踪通常基于两种方法。一种方法是使用多个单目标跟踪器，即一个跟踪器跟踪一个目标。这种多目标跟踪方法对于跟踪表观特征不同的多个目标比较准确，而且算法效率也比较高。表观特征差异较大的目标相互之间影响较小。但是对于表面特征完全一样或者相似的目标，当这些目标发生交互或者靠地比较近的时候，相互独立的单目标跟踪器通常会跟同时跟踪到具有最好的表观观测的目标上，发生目标合并错误，这时使用多个单目标器跟踪的策略就会失败。另一种方法是采用集中的方案，即将所有目标的状态连接起来构成一个联合状态空间。通过在这一联合状态空间中搜索出最优的目标联合状态，以上提到的基于集中思想的跟踪器，尽管可以处理目标之间交互带来的影响，但是由于高维的联合状态空间所引入的复杂性，使得这些跟踪方法的计算代价非常大。因此当跟踪的目标数较多的时侯，联合状态空间的方法比较难满足实时性的应用。

由上述分析可见在多目标跟踪中，使用多个独立的单目标跟踪器跟踪多个目标，计算简单跟踪效率较高，但当目标离得比较近的时候会发生目标合并错误，导致跟踪失败；而在联合状态空间中采用集中思想使用一个多目标跟踪器，虽然从理论上可以解决目标跟踪的合并错误，但是由于联合状态空间维度较高，使得计算的复杂度大大增加。

发明内容

本发明的目的是解决现有技术中使用多个独立的单目标跟踪器跟踪多个表观相似的目标，当目标离得比较近的时候，发生目标合并错误；以及在联合状态空间中使用一个多目标跟踪器时，由于联合状态空间维度较高，使得计算的复杂度大大增加的技术缺陷。为此本发明提供一种视频分析领域内多目标自动检测和跟踪的方法。

为了实现所述目的，本发明提供了一种基于动态群组划分的多目标跟踪的方法，实现所述方法步骤是：

步骤S1：对于视频场景中的某一时刻，首先使用目标检测器检测场景边缘处，判定是否有目标进入或离开场景区域，根据检测结果更新目标集合，将新进入场景的目标加入目标集合，将离开的目标从目标集合中去除；使用AdaBoost算法和梯度方向直方图(HOG)特征学习出目标检测器，同时使用AdaBoost从梯度方向直方图特征中选出一组稀疏特征表示目标，形成目标的稀疏表示；

步骤S2：设定目标集合的分组阈值，使用层次聚类按距离对上一时刻目标集合进行聚类，根据上一时刻的聚类结果，将上一时刻目标位置分成不同群组；

步骤S3：为目标集合中的每个群组分配一个跟踪器，跟踪器根据群组内每个目标上一时刻的位置状态，加上群组内每个目标当前时刻在图像上的观测值，使用贝叶斯框架推断每个目标在当前时刻位置的最优值，使用AdaBoost选出来的稀疏特征表示目标的观测值，用每个目标当前时刻位置的最优值更新目标集合中各个目标的位置状态，为推断各个目标的下一时刻的位置做准备。

优选实施例，选出一组稀疏特征具体步骤如下：

步骤S21：提取目标的表观特征组成特征集；

步骤S22：使用AdaBoost方法从特征集中选择出最有区分力的一组特征，用选出的特征构成对目标的一个稀疏表示；

步骤S23：用目标的稀疏表示构建贝叶斯跟踪框架中的观测模型，用于表示目标的观测。

优选实施例，在设定分组阈值时，遵循最小分组原则，所述最小分组原则是在保证目标之间没有交互的情况下，分成尽可能多的群组。

优选实施例，对于只包含一个目标的群组，使用单目标跟踪器估计目标当前时刻位置。

优选实施例，对于包含多个目标的群组，使用多目标跟踪器，在多个目标的联合状态空间求解多个目标位置的最优值。

优选实施例，所述跟踪器使用基于MCMC的粒子滤波器对每个群组进行跟踪，每个群组的目标数目为动态变化。